[发明专利]基于生成式对抗网络模型的数据增强行人再识别方法

权利要求书

1.一种基于生成式对抗网络模型的数据增强行人再识别方法，其特征在于包括以下步骤：

步骤1、使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像；

步骤2、结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像，使得生成图像的前景不变，背景与对应摄像头一致；

步骤3、使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；

步骤4、将真实图像和步骤3生成的假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能；

所述步骤2中端到端的改进星形生成式对抗网络包括一对多的改进星形图像生成器和一对多的改进图像判别器；

所述一对多的改进星形图像生成器具体实现方法包括以下步骤：

⑴构建一对多星形图像生成器，并与改进星形图像判别器联合训练，输入真实图像与目标相机域标签，将真实图像中的行人转换至目标相机域中，建立如下星形图像生成器目标函数：

其中，L_adv为对抗损失，为生成器相机域分类损失，L_rec为重建损失，λ_cls和λ_rec分别为和L_rec的参数；

⑵将真实图像和假训练图像分别和对应行人图像掩膜图像相乘，得到去除背景的真实行人图像与假行人图像，建立如下生成器掩膜目标函数：

其中，G(I_x,c_trg)表示由真实图像I_x转换到c_trg相机域的假训练图像，M(I_x)表示真实行人图像的掩膜，⊙表示对应位置像素值相乘；

⑶将生成器模型与判别器模型联合训练，通过判别器模型得到行人属性预测标签，对比对应真实图像的行人属性标签A_x，建立如下生成器模型行人属性目标函数：

⑷建立如下改进星形图像生成器的总体目标函数：

其中，λ_mask和λ_attr分别是L_mask和的参数；

⑸对一对多的改进星形图像生成器的总体目标函数使用Adagrad方法进行优化更新。

2.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法，其特征在于：所述步骤1的具体实现方法为：首先构造一张与行人图像尺度大小一致的像素值全为0的全黑图像；然后使用Mask-RCNN检测图像中属于行人的像素；最后，将对应位置的像素点大小设置为255，生成行人图像掩膜图像。

3.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法，其特征在于：所述一对多的改进图像判别器具体实现方法包括以下步骤：

⑴构建星形图像判别器，建立如下总体目标函数：

其中，为判别器的相机域分类损失，为判别器属性分类损失，具体为：

⑵对改进星形图像判别器的总体目标函数使用Adagrad方法进行优化更新。

4.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法，其特征在于：所述步骤3中所有真实图像对应的所有相机域的假训练图像包括数据集中与当前真实图像所属相同相机域的假训练图像以及与当前真实图像所属不同相机域的假训练图像。

5.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法，其特征在于：所述步骤4中行人再识别模型是以DenseNet121为基础网络框架，并结合随机擦除以及重排序方法的行人再识别模型。